Introduction
Introduction
Introduction
Plan
• Qu’est‐ce que l’IA?
• Préhistoire de l’IA
• Histoire de l’IA
• État de l’art
Qu’est‐ce que l’IA?
Fidélité aux performances humaines Concept idéalisé de l’intelligence
Penser comme des humains Penser rationnellement
« The exciting new effort to make « The study of mental faculties through
computers think … machines with minds, the use of computational models »
Pensée et in the full and litteral sense » (Haugeland, (Charniak and McDermott, 1985)
raisonnement 1985) « The study of computations that make
« [The automation of] activities that we it possible to perceive, reason, and
associate with human thinking, activities act » (Winston, 1992)
sush as decision-making, problem
solving, learning … » (Bellman, 1978)
Agir comme des humains Agir rationnellement
« The art of creating machines that « Computational Intelligence is the
perform functions that require intelligence study of the design of intelligent
Comportement
when performed by people » (Kurzweil, agents » (Poole et al., 1998)
1990) « AI … is concerned with intelligent
« The study of how to make computers do behavior in artifacts » (Nilsson, 1998)
things at witch, at the moment, people are
better » (Rich and Knight, 1991)
Empirique Théorique
(Hypothèses et expérimentations) (Mathématique et ingénierie)
1
Intelligence Artificielle
Penser comme des humains
• Comment fonctionne notre cerveau ?
• Requiert des théories scientifiques de l’activité
interne du cerveau par introspection ou expériences
psychologiques.
• Implémenter les théories et comparer avec les
humains.
• Comment valider ces systèmes :
– Il faut prédire et tester le comportement de sujets
humains (sciences cognitives)
– ou il faut les valider directement à partir de données
neurologiques (neurosciences cognitives)
Agir comme des humains
Test de Turing
Interrogateur humain
• Capacités requises :
– Traitement du langage naturel
– Représentation des
connaissances ?
– Raisonnement automatique
– Apprentissage IA
Penser rationnellement
• Aristote et le processus de raisonnement correct, la logique
– Ex: Socrate est un homme; tous les hommes sont mortels; donc
Socrate est mortel.
• Au 19e siècle, la logique formelle permet d’écrire des énoncés
sur les objets dans le monde et leurs interrelations.
• Lien direct entre les mathématiques et la philosophie vers l’IA
moderne.
• Problèmes:
– Il est difficile de traduire les connaissances et les états du monde réel
en des équations logiques (incertitude)
– Il y a une différence entre résoudre un problème en principe et le
résoudre réellement (complexité)
2
Agir rationnellement
• Comportement rationnel : Faire la bonne
chose, c’est‐à‐dire celle qui devrait, selon les
informations disponibles, maximiser
l’accomplissement d’un but.
• N’implique pas nécessairement un
raisonnement mais le raisonnement devrait
être au service d’une action rationnelle.
Agent rationnel
• Agent rationnel: une entité qui perçoit et agit dans un
environnement pour accomplir ses buts en fonction de
ses capacités ou de ses croyances (ou ses connaissances).
• Ce cours porte sur la conception d’agents rationnels.
• Pour chaque environnement ou tâche, on recherche
l’agent qui obtient les meilleures performances.
• La rationalité parfaite n’est pas atteignable en raison des
limitations de calculs, donc le but est de concevoir le
meilleur programme avec les ressources disponibles.
Préhistoire de l’IA
• Philosophie (428 av. J.‐C. à aujourd’hui)
– Logique et méthodes de raisonnement
– Esprit comme système physique
– Fondations de l’apprentissage, du langage et de la
rationalité
• Mathématiques (800 à aujourd’hui)
– Représentations formelles et preuves
– Algorithmes
– Calcul, (in)décidabilité, (in)solubilité
– Probabilité
3
Préhistoire de l’IA
• Économie (1776 à aujourd’hui)
– Théorie formelle de la décision rationnelle
• Neurosciences (1861 à aujourd’hui)
– Étude sur le fonctionnement du cerveau
• Psychologie (1879 à aujourd’hui)
– Adaptation
– Phénomène de la perception et du contrôle
moteur
– Techniques expérimentales
Préhistoire de l’IA
• Ingénierie informatique (1940 à aujourd’hui)
– L’ordinateur comme entité artificielle ayant la
meilleure chance de démontrer de l’intelligence
• Théorie des asservissements et cybernétique
(1948 à aujourd’hui)
– Systèmes homéostatiques (capables de conserver
l’équilibre), stabilité
– Un modèle d’agent optimal simple
• Linguistique (1957 à aujourd’hui)
– Représentation des connaissances
– Grammaire
Histoire de l’IA
• 1943‐1955: La gestation de l’IA
– Neurones artificiels (McCulloch et Pitts)
– Turing « Computing Machinery and Intelligence »
• 1956: La naissance de l’IA
– Atelier de 2 mois à Dartmouth
• Newell et Simon: Logic Theorist (raisonnement
symbolique)
• McCarty propose le nom d’intelligence artificielle
4
Histoire de l’IA
• 1952‐1969: Les espoirs sont grands
– Newell et Simon: GPS (General Problem Solver)
– McCarty: LISP
– Widrow (adalines), Rosenblatt (perceptron)
– Minsky: micro‐mondes (problèmes limités qui requièrent
de l’intelligence)
• 1966‐1973: Une dose de réalité
– Insolubilité des problèmes étudiés
– Limitations des représentations utilisées
– Minsky et Papert: la mort des réseaux de neurones
Histoire de l’IA
• 1969‐1976 : Systèmes à base de connaissances
• 1980 à aujourd’hui: l’IA devient une industrie
– Le projet « Fifth Generation »
– Les systèmes experts
• 1986 à aujourd’hui : Retour des réseaux de
neurones
– Algorithme de rétropropagation
– Deep Networks
• 1987 à aujourd’hui : L’IA devient une science
Histoire de l’IA
• 1995 à 2005 : L’émergence des agents
intelligents
– Les chercheurs reviennent au problème de
construire un « agent complet »
– Internet: un des environnements les plus
importants des agents intelligents
• 2 000 à aujourd’hui : Apprentissage machine
et big data
5
État de l’art
• Planification autonome
– L’agent distant de la NASA aux alentours des années 2000
• Jeu
– 2010: Watson Man‐Machine
– Watson for everyone
• Control automatique
– Google Cars: It drives itself
• Diagnostic
– Certains programmes sont rendus au même niveau que les
experts
État de l’art
• Traduction instantanée pour Skype
• Datasets : le cas de NETFLIX
• Robotique
• Vision
• Vision‐via‐Deep Learning (39’)
• AI@ Microsoft
• AI@Google